数据驱动决策，是数据发挥其价值的基本形式。所谓的数据化管理、数字化转型第一步就是一切用数据说话。在这一过程中，数据可视化类的产品的核心目标就是以产品化的形式，降低数据使用者数据获取的成本，提升数据分析、助力决策的效率，让人人都可接触数据，人人都是数据分析师成为可能。对于数据产品经理从业者来说，数据可视化是一项必备的基础技能，也是相对更容易入行的一个方向。当你拿到一个数据可视化产品的需求时，该如何着手去做呢，这里有一套通用的逻辑，可以帮助你更快速的上手构建一个可视化产品。
一、可视化需求灵魂三问
1.给谁看
作为产品经理，在承接需求的第一问就是用户是谁。企业内的数据可视化平台主要是面向企业的管理层以及不同条线的业务同学，不同的角色对数据的诉求以及分析的场景差异比较大。例如，企业经营“驾驶舱”（这个名字已经被用滥了），主要用户是公司的管理层，在数据内容要求上，要能够全面反映业务经营健康度，指标覆盖公司流量、营收、成本、用户、服务等各个方面，老板比较忙，一般不会自己做过多的交互式的分析，产品设计时，就需要提供更多的分析结论、业务建议的能力，并且可以具备从上到下的跟踪执行能力，这样老板才会更依赖你的产品第一时间发现业务问题。否则，还不如直接去问各个条线的负责人，或让他们定期汇报好了。再比如，产品条线的人，则聚焦于关注用户是怎么样使用产品的，遇到了哪些痛点，操作路径以及转化率如何，怎样提升等问题。
2.看什么
目标用户确定后，就需要了解用户的工作场景了。数据产品比业务懂数据，比数据懂业务，这个环节主要是体现产品经理的需求挖掘和分析能力了，是直接跟进业务需求进行1:1变现，还是说能以数据专业视角，给业务更多专业的建议，做合理的需求过滤，这是能否成为更靠谱的PM的先决因素之一。看什么，是要解决呈现哪些数据指标的问题。举个栗子，客服部门的用户，考核的核心KPI是服务的一次性解决率，即用户打电话进来能够最短时间给到用户最满意的解决方案，解决用户问题，化解矛盾，给用户留下好的印象，不仅可以节省二次投诉的人工成本，也可以提升用户体验，持续活跃或留存。仅关注这一个北极星指标是不够的，还需要对二级、三级等指标进行相关的分析监控，例如每天的咨询量、投诉订单占比等。确定要呈现哪些指标时，可以基于业务的诉求，以及PM对业务的理解，形成指标池，再利用OSM模型、UJM模型等指标体系建设方法论，梳理指标之间的关系，构建能够全面、准确衡量业务状况的“好的指标体系”。
3.怎么看
可视化产品的目标是解决用户用数据、分析决策的效率问题，那你想让用户怎么去看数据呢，这就PM体现数据分析能力了。数据分析是为了支撑决策，当发现数据异常问题时，用户的下一步动作是什么？业务营收环比下降50%，然后呢？通常有两个分析方向，第一个是关联指标的分析，可以借用财务领域的杜邦分析方法，拆解指标，例如：营收=GMV-成本，GMV=订单数*单均价，订单数=UV*订单转化率，最终定位影响的关键指标。第二个是维度拆解方法，即要确定目标指标支持的分析维度是什么，营收下降，是哪个产品线、哪个渠道，甚至是哪个具体的产品出了问题。
总结下来，在数据可视化分析需求处理环节，核心要素就是明确你的用户是谁，在做什么事情，关注哪些指标，指标体系如何，分析的思路是什么。其次，就是指标的统计口径，探查数据有没有的事情了。
二、好的数据可视化产品设计的通用逻辑
好的数据可视化产品需要具备三个核心的能力，即：数据是什么，数据怎么样，应该如何做。
1.是什么
在需求分析阶段，确定了需要呈现的数据指标，在做具体的可视化页面设计时，根据指标的优先级顺序、分析的数据维度以及需要呈现的指标数据关系，通过最恰当的可视化展现形式呈现出来，通过可视化图表将数据信息传递给用户。
2.怎么样
数据怎么样体现的是将枯燥的数据转化成可以辅助决策的信息，比如，如果你的数据产品每天告诉老板，今天DAU1000W，营收10亿，老板只能是“哦，知道了”。老板期待的是，你可以直截了当地告诉他，业务表现到底是正常还是不正常。也就是，数据产品上，要能够提供衡量指标好坏的评价标准，常用的是对比的方式。
- 和时间对比，不同时期的对比，与昨天（环比），与去年（同比），与上个月、上周等
- 和竞对对比，市场份额情况，行业大盘、竞对指标值参考等
- 和目标对比，KPI完成度，指标当前数值与既定目标的对比，看离目标还有多远
- 业务突破： 是否实现了历史突破，达到新的里程碑？
- 预警值:和预测或者设定的预警值对比，是否在可控范围内
3.如何做
知道了数据怎么样了，指标评价显示业务异常，下一步就是“为什么“或者”怎么做“了，数据驱动的决策最终落脚点就是业务该怎么办。如营收同比下降了50%，数据产品设计时，需要提供可以快速定位出是什么原因导致下降的分析能力，例如相关指标对比分析，或者多维度下钻联动分析。现在也有一些BI工具推出利用基尼系数，生成波动归因分析报告，一键定位指标波动的关键影响维度，以及Top维度枚举值。数据可视化产品的最高层次，就是直截了当的告诉用户，业务有问题，你应该去怎么怎么做。
三、可视化页面布局
1.瀑布流模式：Dashboard布局
优点：
- 信息平铺展示，无需过多交互操作，可快速获取需要数据信息
- 承载的信息量更多、可视化方式更丰富，每个图表都可以是一个分析主题
- 对图表共有维度要求不高，一般以日期为共有维度，作为全局筛选
缺点：
- 图表数量平铺过多时，重点不突出，难以聚焦
- 交互能力偏弱，用数据的人思路会受限于做图表的人
- 页面图表数量过多时，对前端加载性能影响大，页面耗时长
2.指标化管理模式：交互式分析布局
优点：
- 页面简洁，重点突出，通过维度选择和tab切换获取更多的数据，避免一个页面过多图表难以聚焦
- 分析思路清晰，从汇总到维度细分，有需要时逐层拆分
- 方便权限管控，指标化管理可以从维度、指标控制权限
缺点：
- 默认展示信息量有限，分析过程依赖交互选择，信息隐藏的较深
- 指标化管理适合核心KPI数量不多的情况（10个以内），且指标维度要统一，不同指标维度不同时，交互要做一定调整，即日期作为共有维度，其他筛选条件只能随着指标tab切换位于指标卡下方。
- 以指标tab联动，指标之间对比分析比较困难
3.可视化大屏模式：一屏一眼
可视化大屏的特点是所有可视化信息在一屏页面内呈现，主要应用于一些大屏监控或者对外形象输出、公关PR场景，例如政务大数据大屏、双十一实时交易监控大屏等。
大屏可视化优点：
- 可视化效果比较炫酷，可以增加很多动画效果
- 信息聚焦，呈现关键信息
缺点
- 定制化程度高，开发成本高
- 一屏呈现信息有限，且一般不适合交互分析
四、高效可视化设计工具
工欲善其事，必先利其器。产品PRD工具最常用的是Axure，MAC系统也有用Sketch。以Axure为例，借助外部的组件包可以大幅提升产品交互设计效率，且可以设计出高保真的可视化原型图。把组件库文件导入Axure后，各种可视化图表就不需要再截图或者手画了，还有高保真交互。
五、总结
数据可视化是可以说是一项通用的基础能力，分析报告图表化、后台系统的可视化统计、业务数据分析平台等都有所设计，掌握数据可视化的通用方法论，不管在哪个行业、何种业务场景下，都可以从展示什么数据（指标、维度），什么形式呈现（图表关系），页面如何布局的流程出发，逐步推进，做出可以真正辅助决策的可视化分析产品。
